شبیه سازی مقاله A Similarity-Based Multiobjective Evolutionary Algorithm for Deployment Optimization of Near Space Communication System با متلب

در این بخش شبیه سازی تحت عنوان  زیر پرداخته شده است و برای مشاهده مقاله روی ان کلیک کنید

A Similarity-Based Multiobjective Evolutionary Algorithm for Deployment Optimization of Near Space Communication System

چکیده

الگوریتم های تکاملی چند منظوره مبتنی بر تجزیه، با توجه به کارایی بالای آنها برای حل مسائل بهینه سازی چند هدفه توجه مطالعات زیادی را به خود جلب کرده اند. با این حال، توابع عددی سازی که نقش مهمی در تعادل تنوع و همگرایی در این نوع الگوریتم ها ایفا می کنند، به طور کامل مورد بررسی قرار نگرفته اند. این مقاله به طور عمده به ارائه دو تابع جدید عددی سازی و تجزیه و تحلیل اثر آنها در الگوریتم های تکاملی چند منظوره مبتنی بر تجزیه اختصاص یافته است. علاوه بر این، ما یک چارچوب کارآمد برای الگوریتم های تکاملی چند منظوره مبتنی بر تجزیه بر اساس توابع عددی سازی پیشنهاد شده و برخی از استراتژی های جدید ارائه می دهیم. مطالعات تجربی گسترده اثربخشی توابع عددی سازی پیشنهاد شده و الگوریتم را تعیین می کند.

واژگان کلیدی : بهینه سازی چند منظوره، تابع عددی سازی، تجزیه، الگوریتم تکاملی

  1. مقدمه

الگوریتم های تکاملی چند منظوره (MOEA) [6] برای مسائل بهینه سازی چند هدفه (MOPs) مناسب است زیرا می توانند جبهه بهینه پارتو (PF) را با یک جمعیت در اجرای واحد تقریب بزنند. پس از دهه ها توسعه، تعدادی از  MOEA ها در زمینه بهینه سازی چند هدفه (EMO) تکامل یافته اند. با توجه به تکنیک های انتخاب آنها، این MOEA ها به طور کلی می توانند به سه دسته مختلف تقسیم بندی شوند: روش های مبتنی بر غلبگی پارتو، مانند الگوریتم ژنتیک مرتب سازی نامغلوب(II (NSGA-II  و الگوريتم تکاملی پارتو قدرت ۲ (SPEA2) [51] ؛ روش های مبتنی بر شاخص، مانند الگوریتم تکاملی مبتنی بر شاخص (IBEA) [50]؛ و روش های مبتنی بر تجزیه، از جمله چند نمونه برداری چند منظوره پارتو (MSOPS) [13]، الگوریتم ژنتیک چند هدفه (CMOGA) [30] و الگوریتم تکاملی چند هدفه بر اساس تجزیه (MOEA / D) [46].

MOEAs مبتنی بر تجزیه طبقه ای متداول فراابتکاری برای EMO هستند. آنها یک MOP را به تعدادی زیرمساله تجزیه می کنند و به طور همزمان آنها را به شیوه مشارکتی حل می کنند. MOEA / D نماینده این کلاس فراابتکاری است. MOEA D  MOP را با توابع عددی سازی (یا روشهای تجزیه نامیده شده در برخی مطالعات [۴۶]) به مجموعه ای از زیرمسائل تجزیه می کند، که هر کدام با یک مسیر جستجو (یا بردار وزن) و راه حل منتخب مرتبط است. در هر نسل، والدین از یک استخر جفت گیری برای تولید راه حل فرزند برای هر زیرمساله انتخاب می شوند. پس از آن، فرزندان برخی از راه حل های موجود را جایگزین می کنند اگر مقادیر عددی سازی بهتری بدست بیاورد. تا کنون، با توجه به جنبه های زیر، تعدادی مشارکت در بهبود MOEA / D وجود دارد:

۱) بردارهای وزن: کیفیت (به ویژه یکنواختی و پوشش) تقریب ها به طور عمده بستگی به بردارهای وزن انتخاب شده دارد. در MOEA / DO اصلی، برای ساختن بردارهای وزن از طراحی شبکه ساده [۴] استفاده شد. با این وجود بعدها مشخص شد که این روش نمی تواند یکنواختی راه حل های به دست آمده در PF را تضمین کند و روش های دیگر مانند طراحی یکنواخت [۳۸]، تبدیل وزن [۳۲] و طراحی دو لایه [۸] ، [۲۵] به منظور کاهش این نقص معرفی شده است. قابل ذکر است که مشخصات بردارهای وزن به طور عمده به شکل PF بستگی دارد و بردارهای وزن نامناسب می تواند منجر به عملکرد ضعیف روش های مبتنی بر تجزیه شود[۱۷]، [۱۹].

۲) توابع عددی سازی: توابع عددی سازی نقش اساسی در MOEA / D و انواع آن ایفا می کنند. آنها می توانند به طور قابل توجهی بر توانایی جستجو در جمعیت در حال رشد و کیفیت تقریبی حاصل شده تاثیر بگذارند. پیشنهاد شده است که توابع عددی سازی تطبیقی برای تعادل تنوع و همگرایی در مراحل مختلف جستجو سودمند هستند [۱۶]، [۳۹]. برخی توابع عددی سازی موجود برای بهبود کیفیت راه حل ها سازگار بوده اند [۹]، [۲۰]، [۳۴]، [۳۵]، [۴۰].

۳) انتخاب جفت گیری: در MOEA / D، هر زیر مسئله نیاز به محدوده جفت گیری دارد که در آن پدر و مادر برای جفت گیری انتخاب میشوند . در نتیجه، انتخاب جفت گیری تأثیر مهمی بر تنوع و همگرایی جمعیت دارد. در اصل، MOEA / D از همسایگی زیر مسائل به عنوان محدوده جفت گیری استفاده می کند [۴۶]. بعدها، لی و همکاران [۲۶] تأثیر دامنه جفتگیری را مورد بررسی قرار دادند و مزیت استفاده از کل جمعیت با احتمال پایین را نشان دادند. در [۲۰]، تکنیک های نیشینگ برای تعیین دامنه جفت گیری استفاده شد. اندازه محدوده جفتگیری یا همسایگی در تعدادی از مطالعات مورد بررسی قرار گرفته است [۱۴]، [۴۸].

۴) اپراتورهای ژنتیک: MOEA / D  بسته به دشوار مساله بهینه سازی شده نیاز به اپراتورهای ژنتیک مناسب برای تولید فرزندان امیدوار کننده دارد. در [۲۶]، دو اپراتور مختلف ژنتیک بر روی مشکلات پیچیده مورد بررسی قرار گرفتند. در [۱۰] آنتروپی متقاطع به طور موفقیت آمیزی برای بهینه سازی مستمر به MOEA / D  ادغام شد. یک اپراتور تغییر تطبیقی [۲۸] برای حل مشکلات همگرایی سخت استفاده می شود. اخیرا لی و همکاران [۲۷] استراتژی تکامل انطباق ماتریس کواریانس (CMA-ES) [12] و تکامل دیفرانسیل (DE) [7] را برای بهینه سازی چند هدفه ترکیب کردند. علاوه بر این، استراتژی های تطبیقی [۲۳] برای بهینه سازی انتخاب خودکار اپراتورهای مناسب برای MOEA / D توسعه داده شده اند.

۵) انتخاب جایگزین: هنگامی که یک راه حل فرزند تولید می شود، MOEA / D باید تصمیم بگیرد که کدام راه حل های قدیمی را با راه حل جدید جایگزین کند و چگونه جایگزینی را انجام دهد. MOEA / D اصلی [۴۶] محدوده / همسایگی را برای هر زیرمساله تعریف می کند، و راه حل های قدیمی که دگر کارایی ندارند در این محدوده جایگزین خواهد شد. با این حال، مشخص شد روش کارآمد تراین است که جایگزینی را بین همسایگی مناسب ترین زیر مسئله فرزندان القا کنیم[۴۱]. سایر روش های امیدوار کننده عبارتند از: تصویب محدوده جایگزینی موثر [۴۵] و استفاده از محدوده جایگزینی محدود [۴۰] . به جای بررسی یک محدوده جایگزینی مناسب، برخی مطالعات بر روی تطابق بین زیر مسائل و راه حل ها تمرکز می کنند و بنابراین تطبیق پایدار [۲۵] و استراتژی های انتخاب مبتنی بر درون رابطه ای[۲۴] برای تسهیل جایگزینی پیشنهاد شده است. علاوه بر این، استراتژی های جایگزینی واکنش زنجیره ای [۳۶] همچنین به بالابردن انتخاب برخی جایگزینی ها کمک می کند.

۶) تخصیص منابع: در MOEA / D، زیرمسائل مختلف ممکن است مشکلات بهینه سازی متفاوت داشته باشند. بنابراین برای بهره وری، بهتر است منابع محاسباتی را براساس دشواری هر زیرمساله  تخصیص دهیم. تلاش های زیادی در این راستا صورت گرفته است، که در نتیجه تعدادی از استراتژی های تخصیص منابع موثر [۲]، [۴۷]، [۴۹] بدست امده است.

علیرغم پیشرفتهای فراوان، MOEA / D همچنان موردعلاقه تحقیقات است. یک مسیر تحقیق خاص مربوط به توابع عددی سازی است، که هنوز به طور کامل مورد کاوش قرار نگرفته است. در MOEA / D، مجموع وزنی (WS)،چبیشوف وزنی (TCH) و تقاطع مرزی مبتنی بر جریمه (PBI) سه توابع عددی سازی برتر هستند که بیشتر مورد استفاده قرار می گیرند. این توابع عددی سازی به طور خاص دارای نقاط قوت و ضعف خود هستند [۳۹]، [۴۳]، [۴۵]. با توجه به مزایا و معایب هر تابع عددی سازی، ایشیبوچی و همکاران [۱۶]، [۱۸] پیشنهاد استفاده از تابع های مختلف عددی سازی را  بصورت انطباقی یا همزمان در طول جستجو مطرح کردند در [۱۰]، یک شکل کلی از توابع عددی سازی برای مقابله با هندسه های مختلف PF توسعه داده شد.  سات [۳۵] یک روش PBI معکوس برای غلبه بر عملکرد گسترش ضعیف توابع عددی سازی موجود در برخی از مشکلات ارائه داد. توابع عددی سازی تغییر یافته یا پیشرفته برای تسهیل انتخاب محیطی در الگوریتم های دیگر توسعه داده شده است[۳]، [۲۲]، [۳۴]، [۴۴].

قابل توجه است که یکی از ویژگی های مهم یک تابع عددی سازی، شکل یا موقعیت خطوط کانتور آن است [۹]، [۴۳]. خطوط کانتور مجموعه ای از مقادیر تابع عددی سازی برابر هستند و نقش مهمی در هدایت جستجو در الگوریتم های جست وجوعددی سازی ایفا می کنند [۹]. در [۹] نویسندگان بحث کردند که پویایی فرایند جستجو تاحدودی مستقل از تابع عددی سازی تحت بررسی است و در عوض عمدتا تحت تاثیر خطوط تراز القا شده قرار می گیرد. یکی دیگر از مطالعات [۴۰] نشان داد که اعمال محدودیت های مناسب به خطوط یک تابع عددی سازی می تواند کارایی جستجو را بهبود بخشد. به تازگی، وانگ و همکاران [۳۹] به طور سیستماتیک توانایی جستجوی خانواده ای از توابع عددی سازی متدوال با تراز های مختلف به نام توابع عددی سازی Lp را بررسی کرده اند و استدلال کرده اند که در مراحل مختلف جستجو باید از ترازهای مختلف استفاده شود.

به طور كلی، ترازهای مورد نظر در الگوریتم های جستجوی عددی سازی را می توان با ۱) استفاده از توابع عددی سازی سنتی و اصلاح تراز آنها با اضافه كردن محدودیت ها [۴۰] یا مشخص كردن پارامترهای مختلف [۳۹] یا ۲) طراحی توابع عددی سازی جدید و موثر به دست آورد. روش اول  بصری و آسان به نظر می رسد، اما همیشه خطوط تراز دقیقی تولید نمی کند. برای مثال، توابع عددی سازی تغییر یافته (به استثنای PBI) در هر دو [۴۰] و [۳۹] نمیتوانند خطوط کنترلی تولید کنند که دارای زاویه باز [۹] کوچکتر از π / ۲ هستند، و ممکن است در طول جستجو تنوع و همگرایی را بخوبی متعادل نکنند. در این مقاله تمرکز روی دومی است و توابع عددی سازی جدیدی که می توانند خطوط تراز قابل تنظیمی القا کنند ارائه می شود. مشارکت اصلی این مقاله به شرح زیر خلاصه شده است.

مقاله فوق شبیه سازی شده است و جزییات ان به صورت زیر است و برای مشاهده فیلم و نحوه اجرای آن کلیک کنید




برچسبها
محصولات مرتبط

دیدگاهی بنویسید.

  1. softmec :
    25 آوریل 21

    بسیار عالیی

0